«Прикрутите нам нейросеть» — и тишина про цену
Запрос «давайте добавим ИИ» звучит всё чаще, а вот вопрос «во сколько это обойдётся и когда вернётся» почти всегда повисает в воздухе. Мы разобрали свежий материал на vc.ru, где сведены реальные бюджеты, сроки и причины провалов российских внедрений, — и посмотрели на эти цифры глазами инженеров, которые такие проекты собирают.
Короткий вывод: ИИ в бизнесе — это не покупка модели, а инженерный проект с понятной экономикой. И считается он ровно так же, как любая автоматизация: сколько ручного труда снимает, как часто этот труд повторяется и насколько близко он стоит к деньгам.
Цифры в среднем по рынку
Если убрать маркетинговый шум, разброс затрат на типовое внедрение выглядит предсказуемо. По данным разбора на vc.ru, нижняя граница входа — около 15 000 ₽ в месяц за простой сценарий, средний бюджет внедрения — порядка 75 000 ₽ в месяц, а сложные сквозные решения доходят до 300 000 ₽ разовых вложений. Внутри этого бюджета сама работа модели (API и токены) — это 3 000–50 000 ₽, а поддержка — 5 000–30 000 ₽ в месяц.
- 75000
- средний бюджет внедрения, ₽/мес (vc.ru)
- 3
- нижняя граница окупаемости, мес (vc.ru)
- 400
- верхняя оценка ROI за полгода, % (vc.ru)
- 23
- доля внедрений без результата, % (vc.ru)
По оценке разбора, окупаемость живых проектов укладывается в 3–6 месяцев, а ROI за первые полгода доходит до 150–400% — но только там, где задачу поставили честно. При этом, по тем же данным, около 23% внедрений не приносят результата, и причина почти никогда не в самой модели.
Пять сценариев и их цена
Чтобы разброс «от 15 тысяч до 300 тысяч» стал предметным, vc.ru приводит пять типовых сценариев с порядками цифр. Закономерность простая: чем ближе сценарий к деньгам и чем больше повторяющихся операций он снимает, тем быстрее он возвращает вложенное.
| Сценарий | Разовая, ₽ | В месяц, ₽ | Эффект (по vc.ru) |
|---|---|---|---|
| Чат-бот поддержки | 15 000 | 3 000 | закрывает 70% типовых вопросов |
| Описания товаров (YandexGPT) | 25 000 | 8 000 | 500+ описаний/мес, +15% к конверсии |
| Анализ отзывов | 45 000 | 12 000 | 5000+ отзывов в месяц без людей |
| Голосовой помощник | 120 000 | 25 000 | 300+ звонков/день, −80 000 ₽/мес на операторах |
| Комплексная автоматизация | 300 000 | 50 000 | конверсия 12%→19%, ROI 280% за полгода |
По распределению проектов из того же разбора, самый частый старт — клиентская поддержка: на неё приходится около 42% всех кейсов. Дальше идут генерация контента (28%) и анализ данных (18%). Голосовые помощники (8%) и персонализация (4%) — нишевые и заметно дороже на входе.
Деньги уходят не на модель
Главное заблуждение — что бюджет уходит на «нейросеть». Если сложить цифры из разбора, видно обратное: сама модель обычно самая дешёвая часть — пара тысяч рублей в месяц за API закрывает большинство задач, а доля стоимости приходится на интеграцию и настройку (по данным vc.ru, разовая интеграция — 25 000–45 000 ₽, а настройка и обучение — 10 000–100 000 ₽).
Это совпадает с тем, что мы видим в собственных проектах. Львиная доля работы — не «подключить ИИ», а:
- вытащить данные из CRM, биллинга и таблиц и привести форматы к одному виду;
- состыковать новый слой с тем, что уже работает, без переписывания всего;
- сделать пайплайн устойчивым, чтобы он не падал, когда источник поменяет формат выгрузки.
ИИ не заменяет инженерную работу, а добавляет к ней ещё один слой. Если фундамент — данные и интеграции — не выстроен, модель просто красиво ошибается.
Именно поэтому экономия на интеграции в разборе названа отдельной причиной провалов. Выбор между YandexGPT, GigaChat или зарубежной моделью почти не влияет на итоговый бюджет: основная стоимость — в обвязке вокруг модели, а не в самих токенах. Как именно эта обвязка собирается по шагам, мы разбирали в материале как мы внедряем ИИ за три месяца.
Почему проваливается почти четверть внедрений
По данным vc.ru, около 23% проектов не приносят результата. Причины почти никогда не в самой модели — они организационные и предсказуемые:
| Причина провала (по vc.ru) | Доля |
|---|---|
| Нечёткая постановка задачи | 45% |
| Завышенные ожидания от ИИ | 30% |
| Экономия на интеграции | 15% |
| Недостаток данных | 10% |
Если перевести это в практику, перед тем как считать бюджет на ИИ, стоит честно ответить на три вопроса: какую конкретную задачу он закрывает, есть ли для неё чистые данные и кто будет чинить пайплайн, когда источник изменится. Если ответов нет — деньги с большой вероятностью уйдут в те самые 23%. Что получается, когда задача поставлена корректно, видно в наших кейсах внедрения ИИ.
Рынок при этом растёт
Контекст важен: по данным разбора, во II квартале 2025 года внедрение ИИ-инструментов выросло на 32%, а число бизнес-кейсов с положительным ROI увеличилось более чем на 78%. То есть инструмент работает, и спрос не случайный — проседает не сам ИИ, а подготовка к нему: данные, постановка задачи и интеграция.
Для нас как для инженеров это означает простую вещь. ИИ перестал быть экспериментом «на попробовать» и стал обычной статьёй в смете автоматизации — со своими ценами входа, сроками окупаемости и рисками. И, как любая статья сметы, он считается заранее, а не по факту.
С чего начать, чтобы окупилось первым
Вопрос почти никогда не звучит как «внедрять или нет». Он звучит как «с какого сценария начать, чтобы он вернул вложенное быстрее всего». Судя и по цифрам разбора, и по нашему опыту, хороший первый шаг — процесс, который:
- повторяется часто и отнимает заметное время каждую неделю;
- опирается на уже доступные данные, а не на те, что ещё надо собрать;
- стоит близко к деньгам или к дорогому ручному труду.
О том, как выбрать такой процесс и оценить эффект до разработки, читайте на странице автоматизации бизнес-процессов.
Хотите понять, во сколько обойдётся именно ваш сценарий и когда он вернёт вложенное? Опишите задачу — посчитаем экономику вместе и честно скажем, стоит ли её вообще трогать.
